从入门到精通：收藏这份Anthropic构建高效AI智能体的完整指南，三层解决方案助你少走弯路！

本文介绍 Claude 模型的研发公司 Anthropic 的一篇博文（https://www.anthropic.com/engineering/building-effective-agents）。在该文章，Anthropic 分享从客户合作及自身构建智能体过程中积累的经验，并为开发者提供构建高效智能体的实用建议，值得开发者学习。

Anthropic 认为，AI 应用开发，应从简单的方案着手。当简单的方案无法满足场景需求时，再考虑采用更复杂的方案。从简单到复杂，基于 LLM 的智能应用的三层解决方案：

增强型LLM
工作流（workflow）
智能体（Agent）

本文主要内容如下：

workflow 与 Agent 的区别比较
从简单到复杂的三层解决方案：增强型LLM、workflow、Agent
智能体系统的开发经验总结

在过去一年中，我们与数十个跨行业团队合作构建大语言模型（LLM）智能体。始终可见的是，最成功的实施方案并未使用复杂框架或专用库，而是采用简单、可组合的模式构建。

workflow 与 Agent 的区别比较

不同的人对智能体有不同的定义。有人将智能体定义为完全自主的系统，能够长期独立运行，并使用各种工具完成复杂任务；有人则用该术语描述遵循预定义工作流的规范性实施方案。Anthropic 将所有这些变体归类为智能体系统，但在架构上对工作流 workflows 和 agents 进行了重要区分：

Agents（智能体）：能够自主决策的AI系统，能动态规划任务、使用工具，并根据环境反馈调整行动（如修复错误）。
Workflow（工作流）：通过预定义代码路径编排LLM和工具的系统，流程固定且可预测。

关键区别：

工作流：适用于结构化的、可预测的任务（如，按步骤处理数据）。
智能体：适用于需灵活决策的开放性问题（如，多轮对话或复杂问题解决）。

构建模块：增强型LLM

智能体系统（agentic systems）的基本构建模块是一个通过检索、工具和记忆等增强功能得到提升的LLM。LLLM 可以自主地生成搜索查询、选择合适的工具，并决定哪些信息保留在上下文窗口：

实现增强型 LLM 的两个关键点：

定制化能力：根据特定用例场景来定制开发功能（检索、工具、记忆）。
清晰接口：为 LLM 提供简单、文档齐全的功能接口。让 LLM 识别并自主调用。

推荐的实现途径：通过 MCP 协议，让 LLM 连接外部世界。基于 MCP 协议，开发者通过简单的 MCP 客户端实现与不断增长的第三方工具生态系统集成。

工作流（workflow）的五种设计模式

我们可以通过组合多个构建模块（增强型LLM），形成工作流，以完成更复杂的任务。以下是工作流（workflow）的五种设计模式：

提示链 (Prompt chaining)

将任务分解为一系列步骤，其中每个LLM调用处理前一个的输出。

提示链 (Prompt chaining)是最基础的线性工作流。提示链像一条工厂流水线，一个环节的产出直接成为下一个环节的输入，简单直接，易于调试。

核心思想：将复杂任务串行化，通过将大问题拆解成小问题，降低单个步骤的复杂度，从而提高最终输出的质量和准确性。
适用场景：适用于任何具有清晰前后逻辑顺序的任务，特别是需要层层递进、逐步求精的场景，如信息提取、内容改写、格式转换等。
应用示例：一个“新闻分析与翻译”流程。

第一步 (LLM)：输入一篇新闻文章，提示：“请将这篇文章总结为三个要点。”
第二步 (LLM)：将上一步生成的三个要点作为输入，提示：“请将这些内容翻译成日语。”

路由 (Routing)

对输入进行分类，并将其引导至一个专门的后续任务。

如果说提示链是单行道，那么路由就是一个智能交通枢纽。路由 (Routing)首先判断输入的意图，然后像一个交换机一样，将任务导向最合适的处理流程（通常是另一个专门的 Workflow）。

核心思想：专业分工。将不同类型的请求，精确地导向最擅长处理它的“专家”流程。
适用场景：需要根据输入类型进行不同处理的场景。常用于智能客服、意图识别、以及成本优化（例如，简单问题路由给更便宜、更快的模型，复杂问题才路由给昂贵的高级模型）
应用示例：一个多功能“客户服务机器人”。

用户提问：“我的订单为什么还没发货？”
路由 (LLM)：分析用户输入，将其意图分类为“订单状态查询”。
分发：将任务和订单号，转发给专门处理物流查询的“提示链”或“工具调用”工作流。

并行化 (Parallelization)

将子任务同时分发给多个并行的LLM实例进行处理，并以编程方式聚合它们的输出。

当一个大任务可以被分解为多个相互独立的子任务时，此模式会将这些子任务同时分发给多个并行的LLM实例进行处理，最后再将所有结果汇总。

核心思想：分而治之，齐头并进。通过并行处理，极大地缩短处理海量数据或耗时任务所需的总时长。
适用场景：批量数据处理和分析。例如，分析成百上千份用户评论、处理一个大型文档的不同章节、对多张图片进行描述生成等。
应用示例：一个“产品对比报告生成器”。
用户请求：“请对比分析A产品和B产品的优缺点。”
并行处理：
工作者1 (LLM)：被指派研究并总结A产品的优缺点。
工作者2 (LLM)：在同一时间，被指派研究并总结B产品的优缺点。
聚合：当两个工作者都完成后，一个最终的LLM或程序将两份总结合并，形成一份完整的对比报告。

编排器-工作者 (Orchestrator-workers)

一个中央LLM动态地分解任务，将它们委托给工作者LLM，并综合它们的结果。

一个“编排器”（Orchestrator）LLM作为总指挥，它负责理解一个宏大而复杂的目标，然后自主地将目标分解为一系列子任务，并动态地将这些任务分配给不同的“工作者”（Worker）LLM或工具去执行。

核心思想：统筹规划与动态调度。模拟一个项目经理或团队领导，不仅负责任务分解，还可能根据执行结果动态调整后续计划。
适用场景：适用于需要多步骤、多工具协作，且具体执行路径事先难以完全确定的复杂项目（区别于并行化），如自动化科学研究、市场分析报告撰写、软件功能开发等。
应用示例：“开放式课题研究”。

用户请求：“研究一下“多模态大模型”的最新进展。”
编排器LLM: “好的，我需要先了解它的基本定义。” 于是它调用“学术搜索引擎Worker”。
动态决策: Worker返回几篇关键论文后，编排器阅读摘要，发现“视觉语言对齐”是核心技术，于是决定下一步是调用另一个“论文深度分析Worker”来专门研究这个技术点。
这个“决策-委派-综合”的循环持续进行，直到课题研究完毕。

评估器-优化器 (Evaluator-optimizer)

一个LLM调用生成响应，而另一个则在循环中提供评估和反馈。

建立一个“生成-反馈-修改”的迭代循环。通常由两个角色的LLM组成：一个“生成者”负责初步创作，一个“评估者”负责根据一套标准进行批判和审查，并给出优化建议。

核心思想：持续改进。通过引入批判性反馈，模拟人类世界中“草稿-评审-定稿”的创作过程，从而不断打磨和提升输出质量。
适用场景：适用于那些没有唯一正确答案，但有明确质量评判标准的任务，如创意写作、代码优化、复杂的文案翻译、法律合同草拟等。
应用示例：“生成一段高安全标准的银行交易代码”。

生成器LLM: 生成第一版交易处理代码。
评估器LLM (安全专家): 检查代码后反馈：“代码未处理并发请求下的竞态条件，存在风险。”
优化器LLM: 根据反馈，为代码加入了“事务锁”，生成第二版。
再次评估: 评估器再次检查，确认代码已符合安全标准，流程结束。

智能体 (Agents)

LLM 动态地指导自己的流程和工具使用，保持对如何完成任务的控制。

与 Workflow 相对的是智能体（Agent）。Agent是动态的、自主的，它自己决定思考什么、调用什么工具、下一步做什么。控制权在LLM本身，而不是在预定义的代码逻辑里。

特点：长期运行、动态规划、工具调用、错误恢复、支持人工干预。
挑战：高成本、错误累积风险，需沙盒测试和严格防护栏（Guardrails）。

何时使用智能体（Agent）

Agent 适用于那些没有固定解决路径的、开放式的问题。它需要在不确定的环境中自主探索，并根据实时反馈动态调整计划。Agent 的自主性意味着更高的成本和潜在的复合错误，需要在沙盒环境中进行广泛测试，并配备适当的防护栏。

应用场景1：自主Web导航。例如，给定一个目标“帮我预订下周五纽约JFK机场附近评分最高的希尔顿酒店”，Agent需要自己浏览网站、处理登录、填写表单、比较价格和评论。
应用场景2：自动化软件开发。类似Devin的工具，可以理解一个软件需求，然后自主地编写代码、调试、测试、甚至部署。这个过程无法预先用Workflow写死。

示例，一个编程智能体（coding agent）的工作流程：